Nová metoda pomáhá samořídícím vozidlům vytvářet „paměť“

Tým výzkumníků z Cornellovy univerzity vyvinul novou metodu, která umožňuje autonomním vozidlům vytvářet „paměť“ předchozích zkušeností, které lze poté použít při budoucí navigaci. To bude especialmente užitečné, když tato samořídící vozidla nemohou spoléhat na senzory v špatném počasí.

Učení z minulosti

Současné samořídící vozidla, která používají umělou neuronovou síť, nemají paměť minulosti, což znamená, že neustále „vidí“ věci poprvé. A to je pravda bez ohledu na to, kolikrát již projeli stejnou cestu.

Killian Weinberger je hlavní autor výzkumu a profesor počítačových věd.

“Základní otázka je, zda můžeme učit z opakovaných průjezdů?” řekl Weinberger. “Například auto může omylem považovat divně tvarované stromy za chodce poprvé, kdy je laserový skener vnímá z dálky, ale až když je dostatečně blízko, kategorie objektu se stane jasnou. Takže druhýkrát, když projedete stejnou cestu, i v mlze nebo sněhu, byste doufali, že auto již naučilo rozpoznat je správně.”

Pod vedením doktorského studenta Carlose Diaz-Ruize vytvořila skupina dataset tím, že auto vybavené LiDAR senzory projelo 15kilometrovou smyčku celkem 40krát během 18měsíčního období. Různé testovací jízdy zachytily různé prostředí, povětrnostní podmínky a denní doby. To vše vytvořilo dataset s více než 600 000 scénami.

“Úmyslně vystavuje jednu z klíčových výzev samořídících vozidel: špatné povětrnostní podmínky,” řekl Diaz-Ruiz. “Pokud je ulice pokrytá sněhem, lidé se mohou spolehnout na paměť, ale bez paměti je neuronová síť značně znevýhodněna.”

HINDSIGHT a MODEST

Jedna z přístupů, nazvaná HINDSIGHT, používá neuronové sítě k výpočtu popisů objektů, když auto projede kolem nich. Tyto popisy, nazvané SQuaSH, jsou poté komprimovány a uloženy na virtuální mapě, vytvářející typ „paměti“ podobné tomu, jak si uchováváme vlastní paměť v mozku.

Když samořídící vozidlo projede stejnou lokalitu v budoucnosti, dotazuje se lokální SQuaSH databáze každého LiDAR bodu podél trasy, „pamatuje“ si, co se naučilo. Kontinuálně aktualizovaná databáze je sdílena napříč vozidly, což pomáhá zlepšit rozpoznání tím, že poskytuje více informací.

Yurong You je doktorský student.

“Tato informace může být přidána jako funkce do libovolného LiDAR-založeného 3D objektového detektoru,” řekl You. “Oba detektor a SQuaSH reprezentace mohou být trénovány společně bez jakéhokoli dalšího dohledu nebo lidského označení, což je časově a pracovně náročné.

HINDSIGHT pomůže týmu s dalšími výzkumy, které provádějí, nazvanými MODEST (Mobilní objektový detektor s ephemerality a self-tréninkem). MODEST by tento proces pokročil a umožnil vozidlu naučit se celý percepční pipeline.

HINDSIGHT předpokládá, že umělá neuronová síť je již trénována k detekci objektů a doplňuje ji o schopnost vytvářet paměť, zatímco MODEST předpokládá, že umělá neuronová síť nebyla dosud vystavena žádným objektům nebo ulicím. Po opakovaných průjezdech stejné trasy se naučí, které části prostředí jsou stacionární nebo pohyblivé objekty. Tento proces umožňuje systému učit se, na co by se mělo zaměřit jako na ostatní účastníky provozu.

Algoritmus prokázal schopnost spolehlivě detekovat objekty i na silnicích, které nebyly součástí počátečních průjezdů.

Tým věří, že tyto nové přístupy mohou snížit vývojové náklady autonomních vozidel a také je učinit efektivnějšími.